在大数据时代，社交网络已成为互联网上人类交流与互动的重要体现。 识别网络中有影响力的传播者，在疾病爆发，病毒传播和舆论控制等各个领域都起着至关重要的作用。 基于这三种基本集中度测度，提出了一种应用偏好关系分析和随机游走技术的综合算法PARW-Rank，用于评估节点影响。 对于每个基本度量，分析网络中每个节点对之间的优先级关系，以构建部分优先级图（PPG）。 然后，通过结合针对三种基本度量的偏好关系来生成综合偏好图（CPG）。 最后，通过在CPG上进行随机游走来确定节点的排名。 此外，使用五个公共社交网络进行比较分析。 实验结果表明，与现有的单一中心测度方法相比，我们的PARW-Rank算法可以实现更高的精度和更好的稳定性。
2021-10-25 09:11:28
2.23MB
1
当将现实世界的数据集拟合到特定类型的模型时，经常会遇到一个或一组观测值对模型拟合产生不当影响的情况，这可能导致误导性结论。 因此，数据分析人员有必要识别这些有影响的观察结果，并评估它们对模型拟合各个方面的影响。 在本文中，定义了一种类型的修正库克距离，以衡量一个或一组观测值对部分变系数模型中常数系数部分的估计的影响，并将库克距离表示为相应残差和杠杆作用。 同时，建议使用自举程序来得出建议的库克距离的参考值。 进行了一些模拟，并进一步分析了实际数据集，以检验所提出方法的性能。 实验结果令人满意。
2021-02-22 18:06:03
186KB
1